Derniers articles pour Fonctions de perte

Une nouvelle méthode améliore les images IRM en corrigeant les biais sans besoin de données étiquetées.

Une nouvelle fonction de perte améliore la précision dans la segmentation des images médicales, en mettant l'accent sur les contours.

Une nouvelle méthode transforme des propositions bruyantes en détections d'objets 3D précises.

Une nouvelle approche aide les machines à gérer la symétrie dans les tâches de mouvement.

Une nouvelle méthode améliore la précision de la détection d'objets en utilisant des systèmes à caméra unique.

AQC propose des solutions fraîches pour entraîner les réseaux de neurones efficacement.

Apprends comment les modèles de machine learning se débrouillent avec des données jamais vues.

Utiliser des dessins pour apprendre aux robots, c'est une nouvelle approche super intuitive.

La recherche améliore les modèles d'apprentissage profond pour les environnements avec peu de ressources.

Cet article examine le rôle des régularisateurs d'équité dans les algorithmes prédictifs.

Cet article parle d'utiliser l'entropie pour améliorer la performance et l'interprétabilité des réseaux de neurones.

Les méthodes de lissage simplifient les difficultés des fonctions non lisses dans l'analyse et l'optimisation.

Approche innovante pour la régression sans suppositions strictes sur la distribution des données.

Un nouveau modèle améliore la compréhension des similitudes entre les nœuds par les GNN en utilisant la transitivité.

Une nouvelle méthode pour réduire le biais dans les systèmes de reconnaissance visuelle de l'IA.

Découvrez l'évolution des méthodes pour combler les lacunes dans les médias visuels.

De nouvelles méthodes améliorent la précision dans l'estimation des paramètres de données clés.

Une vue d'ensemble des machines à vecteurs de support et de leurs applications en apprentissage automatique.

Cet article explore comment les symétries influencent le comportement d'apprentissage des réseaux de neurones.

Un nouveau modèle léger améliore l'estimation de la hauteur avec des techniques d'apprentissage auto-supervisé.

Apprends comment l'omniprévision façonne les prévisions dans différentes industries.

Une nouvelle méthode pour créer des échantillons aléatoires à partir de fonctions caractéristiques en utilisant des réseaux de neurones.

De nouvelles fonctions de perte améliorent la classification d'images dans les réseaux de neurones.

Présentation de CLML : une approche cohérente pour l'apprentissage multi-label.

Exploration de la distance de Wasserstein au carré pour une reconstruction efficace des SDE à partir de données bruyantes.

Les coresets permettent un calcul efficace en apprentissage automatique tout en gardant la précision.

L'optimisation stochastique en ligne aide à naviguer dans l'incertitude lors de la prise de décision.

Les réseaux de neurones quantiques offrent de nouvelles méthodes pour traiter l'information en intelligence artificielle.

Apprends comment les fonctions linéaires par morceaux peuvent simplifier la prise de décision quand il y a de l'incertitude.

Une nouvelle approche améliore les recommandations en s'appuyant sur le filtrage collaboratif et l'apprentissage par contraste.

Nouvelle méthode de sous-échantillonnage qui réduit les coûts de formation des noyaux quantiques.

Cet article parle des difficultés à optimiser les PINNs et de leurs stratégies d'entraînement.

Améliorer la qualité d'image en CT par rayons X grâce à des fonctions de perte ciblées.

Une nouvelle méthode améliore la précision de la génération d'images en utilisant des modèles vision-langage.

Des recherches montrent que l'application d'un taux d'apprentissage efficace va des petits modèles aux grands modèles.

Une nouvelle méthode améliore la précision de la segmentation des routes dans des images satellites variées.

La bibliothèque Spyx améliore l'efficacité dans l'entraînement des réseaux de neurones à impulsions.

Une nouvelle méthode pour améliorer les modèles de langage malgré les retours humains bruyants.

Explorer comment les symétries dans les fonctions de perte influencent la dynamique de l'AGD pendant l'apprentissage profond.

De nouvelles méthodes visent à améliorer la création d'images humaines à partir de descriptions textuelles.